基于RG-FCM分割与多级编码器级联的MR图像非均匀压缩方法研究

医学影像传输存储面临数据冗余与体积庞大的挑战。来自未知机构的研究人员提出融合区域生长算法(RG-FCM)的改进模糊C均值聚类分割技术，通过SPIHT和Huffman编码级联实现非均匀压缩，实验表明该方法在Jaccard/dice指数和压缩比(CR)上均优于现有技术，为医学影像高效压缩提供了新思路。

　　

医学影像传输与存储的核心矛盾在于海量数据与有限带宽/存储空间的冲突。传统压缩技术多依赖人工分割或传统算法，难以精准提取诊断关键区域。这项研究创新性地将区域生长算法(RG)的空间约束融入模糊C均值聚类(FCM)，构建出抗噪声的RG-FCM分割模型——通过自动识别图像空间特征优化目标函数，使磁共振成像(MRI)的感兴趣区域(ROI)提取精度显著提升。

技术方案采用"分而治之"策略：对分割后的诊断关键区采用高比特率SPIHT(集成分层树算法)编码，背景区域则使用常规Huffman编码。这种级联编码器设计实现非均匀压缩，在保证病灶信息完整性的同时，压缩比(CR)较传统方法提升明显。实验数据证实，该方法在Jaccard相似系数和Dice重合度指数上分别达到0.82和0.89，且峰值信噪比(PSNR)优于JPEG2000等基准算法。

该研究的突破性在于：首次将机器学习分割与自适应编码策略相结合，为医学影像压缩建立了"精准分割-差异编码"的新范式。这种技术路线特别适用于阿尔茨海默病等需要长期影像随访的神经系统疾病，能在降低90%存储空间的同时，完整保留海马体等细微结构的诊断特征。